El Desajuste
Hoy temprano alimenté a una IA con toda mi biblioteca de investigación. 6.576 papeles. Le hice una pregunta que he estado masticando durante años.
¿Los vocabularios oficiales destinados a codificar mi campo realmente coinciden con lo que piensan los practicantes?
Estudio el derrame zoonótico. Cómo las enfermedades saltan de los animales a los humanos. Como la mayoría de los campos, tenemos ontologías formales, catálogos seleccionados de conceptos destinados a mantenernos organizados. Sospechaba que eran delgados.
Así que dejé de discutir y lo probé.
El sistema leyó 490 de esos documentos. Solo en desbordamiento y emergencia. Extrajo afirmaciones causales del texto, reunió un vocabulario de abajo hacia arriba y lo comparó con el estándar oficial.
La brecha era enorme.
De las 915 relaciones utilizadas repetidamente en la literatura, 864 no tenían * contrapartida* en el esquema de referencia. Mil doscientas categorías conceptuales aparecieron en mi pequeña muestra, pero en ninguna parte de los mapas formales. En su mayoría agrupados en torno a impulsores ambientales y ecología. El lenguaje de trabajo real de una fracción de mi campo es cuatro veces más rico que el oficial.
El experimento costó 2 26 y cambio.
Un Arnés , no un Modelo
Esta fue una prueba de manejo de Claude Science. Anthropic lo lanzó hoy. ¿Su objetivo? Para hacer por el banco de laboratorio lo que Claude Code hizo por los desarrolladores de software.
Es una apuesta ambiciosa. Hace seis meses, Zubair Jandali afirmó que la IA podría ayudar con las tareas digitales en las ciencias biológicas. Hoy el tono cambió. Puede ejecutar el trabajo.
Aquí está la trampa. Claude Science no es un modelo nuevo.
Anthropic es contundente al respecto. Se ejecuta en Claude Opus 4. El mismo motor que todos los demás alquilan. Sin pesas secretas. Sin acceso especial. La inteligencia es idéntica.
Lo que cambia es el * arnés*.
En términos de IA, el arnés es el andamio. Convierte un modelo general en una herramienta. Conexiones de datos, ejecución de código, memoria, comprobaciones de seguridad. Una modelo desnuda podría razonar sobre una proteína. Uno aprovechado extrae datos de estructura, pliega una variante en un clúster de GPU, procesa la imagen y registra cada paso para su reproducibilidad.
Claude Science es un arnés sustancial.
- Se conecta a más de sesenta bases de datos científicas.
- Barcos con habilidades preconstruidas para genómica, química y biología estructural.
- Administra trabajos en su computadora portátil o GPU en la nube alquiladas.
- Cada salida lleva su procedencia completa, el código, el entorno y el historial de conversaciones incluidos para su posterior regeneración.
¿Esto hace que el modelo sea más inteligente?
No. Lo hace útil. Lo cual es mucho más valioso.
Un biólogo computacional podría haber construido la mitad de esto ella misma usando Claude Code y GitHub durante unas pocas semanas. Pero eso supone que cada laboratorio tiene el ancho de banda para conectar su propia herramienta desde cero. Anthropic está apostando a que la curación supera a la duplicación. Convirtiendo la capacidad bruta en ciencia confiable.
Pharma Primero, Todo Lo Demás Después
La demostración se centró en el descubrimiento de fármacos.
A partir de una sola frase, Claude planeó una campaña para estabilizar una enzima detrás de la fenilcetinuria. Analizó 2200 moléculas en 80 GPU. Los redujo a cuatro candidatos. Produjo un memorando de ir/no ir.
Luego ejecutó el mismo proceso en 100 enfermedades raras simultáneamente.
¿Por qué detenerse allí?, preguntó el presentador. Podría hacer 10.000.
¿Impresionante? Sí.
¿Limitado molecularmente? Absolutamente.
Cada base de datos y modelo de socio apunta hacia la ciencia farmacéutica. Genes, proteínas, estructuras pequeñas. Dónde está el dinero. OpenAI y Google apuntan al mismo objetivo.
Pero el resto de la ciencia está abierto de par en par.
Ciencias de la tierra. Datos atmosféricos. Ecología. Ciencias sociales. Gran parte de la epidemiología.
Nada de esto está configurado en el lanzamiento. Los datos en los que se basan estos campos, los registros de biodiversidad de GBIF, el reanálisis climático, los datos del censo, la teledetección, están ausentes en las sesenta bases de datos iniciales. El trabajo de “laboratorio seco”, ecología de campo y dinámica de poblaciones, sigue siendo una frontera sin explotar.
Sin embargo, es fácil de visualizar.
Imagina un arnés como este apuntando a la zoonosis. Extrae registros de ocurrencia de especies. Superpone reanálisis climático. Se ajusta a un modelo de distribución. Señala los condados donde es probable que se propague un patógeno transmitido por garrapatas la próxima temporada.
Redacta el informe de vigilancia. Genera la figura.
Comprime semanas de asamblea en una tarde para un departamento de salud pública. La inteligencia existe para hacer esto. Lo que falta es el cableado. Los conectores. Mi experimento de6 26 es una pequeña prueba de concepto.
Juicio Sobre Generación
La tecnología es rápida. Acelerará todo.
Pero aclara dónde importan los científicos humanos.
Una vez que la generación se vuelve barata, * el juicio* se convierte en el cuello de botella. Auditar, validar, corregir. Estos son los pasos que limitan la velocidad de cualquier trabajo que se mueva a través de una pantalla.
De todos modos, eso es buena ciencia.
Claude Science se envía con un agente “revisor” para marcar citas incorrectas y números que no coinciden. Por ahora, es el mismo modelo que verifica su propia salida, no un oráculo independiente. Pero la dirección se siente bien.
El riesgo real es la regresión hacia la mediocridad.
Los modelos entrenados en literatura existente se destacan por reflejar esa literatura. Hablan consigo mismos.
Pero la misma herramienta que mapea el consenso también puede mapear brechas. Relaciones que nadie ha probado. Conceptos utilizados en todas partes pero definidos en ninguna parte.
Gasté6 26 encontrando los bordes de lo que ya está escrito. ¿Encontrar lo que aún no se ha imaginado? Ese es el problema más difícil.
También parece el único que queda por resolver.
